Casi d'uso di Python: cosa puoi creare e automatizzare

Cos'è Python e perché la gente lo usa

Python è un linguaggio di programmazione general-purpose: significa che puoi usarlo per costruire molti tipi diversi di software, non solo una nicchia. Le persone usano Python per automatizzare attività ripetitive, costruire app web e API, analizzare dati, lavorare con database, creare modelli di machine learning, scrivere strumenti da riga di comando e prototipare idee rapidamente.

Perché è popolare (soprattutto tra i principianti)

Python è conosciuto per una sintassi leggibile, quasi “simile all'inglese”. Rispetto a molti altri linguaggi, spesso puoi esprimere la stessa idea con meno righe di codice, il che lo rende più facile da imparare e più semplice da rileggere in seguito.

Ha anche una grande community e un ricco ecosistema. Questo conta perché:

• Ci sono librerie mature per attività comuni (sviluppo web, analisi dati, automazione).
• Si trovano rapidamente tutorial, esempi e risposte alle domande.
• Molti strumenti si integrano bene con Python, così puoi collegare sistemi invece di ricostruire tutto da zero.

Cosa aspettarsi (e cosa no)

Python può alimentare sistemi di produzione seri, ma non è la soluzione migliore per tutto. Di solito non è la prima scelta quando serve latenza ultra-bassa (per esempio motori di gioco ad alte prestazioni) o quando si sviluppa per dispositivi con risorse estremamente limitate in cui memoria e velocità sono critiche. In quei casi, linguaggi come C, C++, Rust o strumenti specifici della piattaforma possono essere più adatti.

Per la maggior parte del software quotidiano e per l'automazione, però, Python trova un ottimo compromesso: veloce da scrivere, facile da capire e supportato da una vasta serie di strumenti.

Cosa coprirà questo articolo

Nel seguito vedremo usi pratici di Python che probabilmente incontrerai: script di automazione semplici, app web e API, analisi e visualizzazione dei dati, progetti di machine learning, lavoro con database e ingegneria dei dati, testing e automazione QA, strumenti da riga di comando per la produttività e progetti creativi/hardware—più indicazioni su quando Python è (e non è) la scelta giusta.

Come funziona Python (in parole semplici)

Python viene eseguito tramite un “interprete”

Quando scrivi un file Python (di solito con estensione .py), stai scrivendo istruzioni in una forma leggibile e amichevole. Python di solito non trasforma prima tutto il programma in un eseguibile standalone. Invece, un interprete Python legge il tuo codice ed esegue le istruzioni passo dopo passo.

La maggior parte delle persone usa CPython (l'implementazione standard). CPython prima compila il tuo codice in una forma interna più semplice (chiamata bytecode), poi esegue quel bytecode. Non devi gestire questi dettagli: ciò che conta è che esegui Python e Python esegue il tuo script.

I mattoni con cui lavorerai sempre

I programmi Python sono composti da pochi elementi fondamentali:

• Variabili: nomi che puntano a valori (come testo o numeri)
• Funzioni: mini-programmi riutilizzabili
• Loop: ripetono operazioni in modo efficiente
• Moduli: codice organizzato in file importabili

name = "Sam"  # variable

def greet(who):  # function
    return f"Hi, {who}!"

for i in range(3):  # loop
    print(greet(name))

import math  # module
print(math.sqrt(25))

Pacchetti, pip e un'analogia semplice

Python include molte cose di base, ma molti progetti fanno affidamento su “add-on” chiamati pacchetti. Lo strumento pip li installa per te.

Pensa a Python come a una cucina. La libreria standard è la tua dispensa di base. I pacchetti sono ingredienti speciali che puoi aggiungere quando ti servono. pip è il servizio che consegna gli ingredienti e le versioni esatte che la tua ricetta richiede.

Ambienti virtuali (venv): evitare il problema “funziona sul mio computer”

Progetti diversi possono richiedere versioni differenti dei package. Un ambiente virtuale è una mini-installazione privata di dipendenze per un singolo progetto, così gli aggiornamenti in Progetto A non rompono Progetto B.

Nella pratica crei un venv, lo attivi e poi installi i pacchetti al suo interno. Questo mantiene l'ambiente prevedibile—soprattutto quando condividi il codice con compagni di squadra o distribuisci su un server.

Automazione quotidiana con script Python

Python brilla quando vuoi che il computer faccia il lavoro noioso e ripetitivo per te. Uno “script” è solo un piccolo programma che esegui per svolgere un compito specifico—spesso in pochi secondi—e puoi riutilizzarlo ogni volta che il compito si ripresenta.

Automatizzare operazioni sui file

Se hai mai pulito una cartella Download disordinata, conosci il problema. Gli script Python possono:

• Rinominare file in blocco (es. aggiungere date, correggere nomi incoerenti)
• Organizzare cartelle (spostare PDF in una cartella, immagini in un'altra)
• Creare backup semplici (copiare file importanti su un disco esterno o in una cartella di backup)

Questo è utile per fotografi, studenti o chiunque gestisca molti file.

Lavorare con fogli di calcolo e CSV

Molto del lavoro d'ufficio è in fondo lavoro sui dati: ordinare, ripulire e unire informazioni. Python può leggere fogli/CSV, correggere righe disordinate e produrre report rapidi. Per esempio puoi:

• Unire esportazioni CSV mensili in un unico file
• Rimuovere duplicati o riempire valori mancanti
• Calcolare totali e generare una tabella riassuntiva per il tuo manager o cliente

Anche se non ti interessa programmare, questo può farti risparmiare ore di copia/incolla manuale.

Web scraping (responsabile)

Python può raccogliere informazioni pubbliche da siti web—come schede prodotto o calendari eventi—così non devi copiare tutto manualmente. L'importante è farlo in modo responsabile: rispetta i termini del sito, evita scraping aggressivo e preferisci API ufficiali quando disponibili.

Pianificare l'esecuzione automatica degli script

L'automazione è ancora più utile quando gira da sola. Su macOS/Linux puoi pianificare script con cron; su Windows con Task Scheduler. Così attività come “esegui ogni mattina alle 8” o “fai il backup ogni venerdì” avvengono automaticamente, senza che tu debba ricordarlo.

Costruire siti web e API con Python

Python è molto usato per il backend dei prodotti web—la parte che non vedi nel browser. Il backend gestisce tipicamente salvataggio dati, controllo permessi, invio email e fornitura di dati a un'app mobile o al frontend.

Cosa fa Python nel backend

Un backend Python di solito:

• Riceve richieste (ad esempio, “effettua il login” o “mostrami i miei ordini”)
• Comunica con un database (crea/legge/aggiorna/elimina dati)
• Applica regole di business (prezzi, eleggibilità, limiti)
• Restituisce pagine HTML o JSON per un'API

Django vs Flask vs FastAPI (confronto semplice)

Django è l'opzione “tutto incluso”. Fornisce molte cose pronte: autenticazione, interfaccia admin, ORM e impostazioni di sicurezza comuni. Ottimo per app aziendali, dashboard e siti ricchi di contenuti.

Flask è minimale e flessibile. Parti da poco e aggiungi solo ciò che ti serve. È adatto per siti semplici, piccoli servizi o quando vuoi pieno controllo sulla struttura.

FastAPI è pensato per un approccio API-first. È popolare per costruire API JSON in modo rapido, con documentazione automatica e forte supporto per pattern moderni. Spesso usato per microservizi o app con frontend separato.

Funzionalità tipiche che puoi costruire

I framework Python alimentano spesso:

• Login e account utente
• Pannelli admin per gestire contenuti o ordini
• Dashboard e report
• API pubbliche o private per app mobile e integrazioni

Quando considerare Python (vs altre opzioni)

Scegli Python quando vuoi muoverti velocemente, riutilizzare codice di automazione/dati o costruire un prodotto con molte pagine guidate da database e workflow amministrativi.

Valuta alternative se hai bisogno di sistemi real-time a latenza ultra-bassa o se il team è già standardizzato su Node.js o Java.

Se vuoi consegnare più velocemente (senza ricostruire tutto)

Se l'obiettivo è mettere un'app nelle mani degli utenti rapidamente, non sempre devi partire da un repository vuoto. Piattaforme come Koder.ai ti permettono di creare app web, backend e mobile partendo da una semplice chat—utile quando trasformi un'idea con backend Python in un'esperienza prodotto completa (UI, API, database) e cerchi una strada più veloce dal prototipo alla distribuzione.

Analisi dei dati e visualizzazione

Python è una scelta comune per trasformare “file disordinati” in risposte—che si tratti di esportazioni di vendita, risultati di sondaggi, traffico web o log operativi. Puoi caricare dati, pulirli, calcolare metriche utili e visualizzare trend senza strumenti enterprise.

Attività di analisi comuni (quotidiane)

Gran parte dell'analisi reale si riduce a pochi passaggi ripetibili:

• Filtrare: tenere solo le righe interessanti (es. “ordini dell'ultimo mese” o “clienti in Italia”).
• Raggruppare: suddividere i dati in categorie (es. ricavo per prodotto, iscrizioni per canale).
• Riassumere: calcolare totali, medie, mediane, tassi di crescita e classifiche top/bottom.

Questi passaggi sono ideali per report ricorrenti: una volta scritto lo script o il notebook, lo riesegui ogni settimana con dati nuovi.

Strumenti popolari: pandas, NumPy e Jupyter

• pandas è il cavallo di battaglia per le tabelle (pensalo come un Excel potenziato). Ottimo per leggere CSV/Excel, pulire colonne, unire dataset e aggregare.
• NumPy fornisce operazioni numeriche veloci ed è utile quando servono trasformazioni efficienti su array.
• Jupyter è un ambiente interattivo (notebook) dove mescoli note, codice e grafici—perfetto per esplorazione, report rapidi e condivisione dei risultati.

Grafici e dashboard semplici

Dopo aver sintetizzato i dati, Python facilita la visualizzazione:

• Matplotlib: la base—affidabile, flessibile e molto usata.
• Seaborn: impostazioni più pulite per grafici statistici comuni.
• Plotly: grafici interattivi con hover, zoom e filtri—ottimi per dashboard leggere e visualizzazioni per stakeholder.

Un risultato tipico può essere un grafico a linee del ricavo settimanale, un grafico a barre per il confronto dei canali e uno scatter che mostra la relazione tra prezzo e conversione.

Esempio di flusso: da CSV a insight

Un flusso adatto ai principianti spesso è:

1. Caricare un CSV (es. orders.csv) in pandas.
2. Pulire problemi evidenti (parsing date, valori mancanti, nomi di categorie incoerenti).
3. Raggruppare e riassumere (ricavo per settimana, valore medio ordine per prodotto).
4. Visualizzare i trend principali (pochi grafici che rispondono alle domande principali).
5. Esportare i risultati in un nuovo CSV o in un report HTML semplice da condividere.

Il valore sta nella velocità e nella ripetibilità: invece di rifare operazioni manuali su fogli, costruisci una piccola pipeline di analisi che puoi rieseguire ad ogni aggiornamento dei dati.

Progetti di machine learning e AI

Il machine learning (ML) è un modo per fare previsioni imparando da esempi invece di scrivere regole esplicite. Mostri al sistema molti casi passati (ingressi) e i risultati corrispondenti (etichette), e il modello impara pattern che può applicare a dati nuovi.

In pratica, Python è uno dei linguaggi più usati per ML per via di librerie mature e documentazione ampia.

Dove si colloca Python nello stack ML

Per ML “classico” su dati tabulari (scikit-learn) è spesso il punto di partenza: offre strumenti pronti per allenare modelli, pulire dati e valutare risultati.

Per il deep learning molte squadre usano TensorFlow o PyTorch. Non serve conoscere tutta la matematica per iniziare a sperimentare, ma è importante capire i dati e cosa significa “buona performance”.

Idee pratiche di progetto

I progetti ML non devono essere futuristici. Esempi utili e comuni:

• Rilevamento spam: imparare quali email sono spam basandosi su esempi etichettati.
• Raccomandazioni: suggerire prodotti o contenuti basati su utenti simili.
• Previsioni: prevedere le vendite della settimana successiva da trend storici.

La parte che spesso si sottovaluta: qualità dei dati e valutazione

La maggior parte dei successi in ML deriva dal lavoro non glamour: raccogliere i dati giusti, etichettarli coerentemente e scegliere metriche di valutazione significative. Un modello “accurato” può essere inutilizzabile se i dati sono distorti, obsoleti o non rappresentativi.

Se sei agli inizi, punta a esperimenti piccoli: una domanda chiara, un dataset semplice e un modello di base su cui misurare i miglioramenti.

Ingegneria dei dati e lavoro con i database

L'ingegneria dei dati riguarda lo spostamento dei dati da dove vengono creati (app, fogli, sensori, sistemi di pagamento) verso un luogo dove possono essere usati con fiducia—di solito un database, un data warehouse o uno strumento di analytics. Non è l'analisi in sé, ma assicurarsi che i dati arrivino corretti e in tempo.

Cos'è una pipeline di dati (e perché è importante)

Una pipeline di dati è un percorso ripetibile che i dati seguono: raccogli → pulisci → archivia → consegna. Le pipeline sono importanti perché molte organizzazioni non hanno una sola “fonte di verità”. Senza pipeline, si finisce per esportare CSV a mano, usare definizioni diverse e ottenere numeri contrastanti.

ETL in parole semplici: Extract, Transform, Load

Python è popolare per ETL perché è leggibile e ha ottime librerie.

• Extract: prelevare dati da una fonte (database, API, file).
• Transform: standardizzarli (correggere date, rinominare colonne, rimuovere duplicati, validare formati).
• Load: scriverli in una destinazione (PostgreSQL, BigQuery, Snowflake, ecc.).

Un esempio semplice: scaricare le vendite da un'API ogni notte, convertire le valute e poi caricare una tabella pulita “sales_daily”.

Collegarsi a database e servizi cloud (panoramica concettuale)

A grandi linee, gli script Python si autenticano, eseguono query e spostano i risultati. Pattern comuni:

• Leggere/scrivere tabelle in database relazionali (PostgreSQL, MySQL)
• Scaricare eventi o file da storage cloud e servizi
• Pianificare job orari/giornalieri per mantenere i dati aggiornati

Consigli per l'affidabilità: logging, retry, monitoraggio

Le pipeline si rompono—reti che cadono, API che limitano, formati che cambiano. Rendi gli script affidabili aggiungendo:

• Logging: registra cosa è stato eseguito, quando e quante righe processate.
• Retry: riprova automaticamente per errori temporanei.
• Monitoraggio: avvisa quando un job fallisce o quando il volume dati sembra anomalo (es. improvvisamente 0 righe).

Queste basi trasformano uno script una tantum in qualcosa su cui il team può contare.

Testing e automazione della qualità

Il software si rompe in modi noiosi e ripetibili: una piccola modifica causa un bug nel login, un'API restituisce un campo sbagliato o una pagina carica ma un pulsante chiave non funziona più. Python viene usato molto per automatizzare questi controlli così i team intercettano i problemi prima e rilasciano aggiornamenti con meno sorprese.

Usare Python per QA: unit e integration test

Un buon setup di test combina diversi livelli di controlli:

• Unit test: verificano una singola funzione alla volta (veloci, economici, ottimi per errori logici).
• Integration test: controllano come le parti lavorano insieme—per esempio l'app che parla col database o con un provider di pagamenti.

La popolarità di Python significa che molti pattern di testing sono già risolti, quindi non inventi da zero un framework.

Strumenti: pytest e mocking semplice

Il punto di partenza più comune è pytest. Legge chiaramente, gira velocemente e ha un grande ecosistema di plugin.

Quando un test dipende da qualcosa di lento o inaffidabile (es. un server mail reale), si usano i mock—oggetti che fungono da sostituti dell'effettiva dipendenza. Così i tuoi test sono:

• Più veloci (niente attese su servizi esterni)
• Più prevedibili (meno fallimenti casuali dovuti alla rete)

Automazione dei test del browser (Playwright/Selenium)

Per flussi utente critici—signup, checkout, reset password—Python può pilotare un browser reale con Playwright o Selenium. Questo è utile quando vuoi la certezza che l'interfaccia funzioni end-to-end.

I test browser sono tipicamente più lenti degli unit test, quindi molte squadre li mantengono mirati: coprire i pochi percorsi che contano e affidarsi ai test più veloci per il resto.

Come i test riducono i bug e accelerano i rilasci

I test automatici sono una rete di sicurezza. Catturano regressioni subito dopo una modifica, permettono agli sviluppatori di lavorare con più fiducia e rendono i rilasci più rapidi perché si spende meno tempo in ricontrolli manuali e correzioni d'emergenza.

Strumenti da riga di comando e produttività degli sviluppatori

Python è ottimo per creare piccoli tool CLI che risparmiano tempo e riducono errori—soprattutto quando un compito è ripetuto da più persone. Invece di copiare comandi da un documento o modificare file a mano, puoi trasformare il “modo giusto” in un singolo comando affidabile.

Scrivere tool CLI per il team

Un CLI semplice può avvolgere flussi come generare note di rilascio, creare uno scaffold di progetto, verificare artifact di build o validare convenzioni di naming. Strumenti come argparse, click o typer aiutano a creare comandi con flag, sottocomandi e output --help chiaro.

Lavorare con JSON, YAML e file di configurazione

Molti compiti quotidiani implicano leggere e scrivere file strutturati:

• JSON per payload API, impostazioni e fixture di test
• YAML per pipeline CI e configurazioni app
• .env o INI per impostazioni ambiente-specifiche

Python rende semplice caricare un file, aggiornare un valore, validare chiavi richieste e riscriverlo senza rompere la formattazione.

Script riutilizzabili e utility interne

Quando uno script funziona, il passo successivo è renderlo riutilizzabile: suddividi la logica in funzioni, aggiungi validazione degli input, logging e messaggi d'errore chiari. Così da trasformare “uno script una tantum” in uno strumento interno affidabile.

Impacchettare e condividere strumenti internamente

Per condividere CLI, impaccale in modo che tutti usino la stessa versione:

• Usa un ambiente virtuale e blocca le dipendenze
• Crea un pacchetto installabile con un entry point console
• Pubblica in un registro interno o distribuisci una wheel

Questo rende gli strumenti facili da installare, aggiornare e meno soggetti a differenze tra macchine.

Apprendimento, creatività e progetti hardware

Python non è solo per il software “serio”. È anche uno dei migliori linguaggi per imparare a programmare, sperimentare idee e costruire piccoli progetti che danno soddisfazione rapidamente.

Python nell'istruzione: un modo amichevole per imparare le basi

Python somiglia molto all'inglese scritto, per questo è scelta comune in scuole, bootcamp e corsi autodidattici. Ti permette di concentrarti sui concetti base—variabili, loop, funzioni e problem solving—senza impantanarti in sintassi complessa.

Insegna anche a spezzare un problema grande in passi più piccoli. Per esempio, un semplice “quiz game” insegna input/output, condizioni e strutture dati di base—abilità trasferibili a qualsiasi linguaggio.

Coding creativo: giochi, arte e simulazioni

Se impari meglio facendo, Python supporta molti progetti divertenti:

• Giochi semplici (Pong, Snake o avventure testuali) con librerie come Pygame.
• Arte generativa: disegnare pattern, animazioni o design casuali controllando forme e colori.
• Piccole simulazioni: modellare il traffico, sistemi predatore-preda o la diffusione di voci in un gruppo.

I progetti creativi sono ottimi per imparare logica, debugging e iterazione—perché vedi subito il risultato del tuo codice.

Hardware e IoT: basi con Raspberry Pi

Python è popolare per progetti hardware, specialmente con Raspberry Pi. Puoi controllare sensori e dispositivi tramite pin GPIO, aprendo la strada a semplici build IoT:

• Far lampeggiare un LED, poi evolverlo in una luce temporizzata o un “indicatore di stato”
• Leggere un sensore di temperatura e salvare i dati su file
• Costruire un allarme triggerato da movimento o una notifica base per porta intelligente

Questi progetti insegnano input/output, temporizzazione e come il software interagisce con il mondo reale.

Esperimenti STEM: matematica, fisica e piccole indagini

Python è ideale per esperimenti rapidi in scienza e matematica. Puoi calcolare risultati, eseguire prove ripetute e visualizzare gli esiti.

Esempi: simulare lanci di monete per capire la probabilità, esplorare numericamente la traiettoria di un proiettile o analizzare un piccolo dataset di laboratorio. Anche se non diventerai scienziato, imparare a testare un'idea con il codice è prezioso.

Quando Python è una buona scelta (e quando no)

Python è ottimo quando vuoi trasformare un'idea in qualcosa che funziona rapidamente, senza perdere chiarezza. Ma non è sempre lo strumento giusto—sapere dove brilla (e dove fatica) ti aiuta a evitare frustrazioni e a scegliere lo stack giusto sin dal primo giorno.

Quando Python è adatto

Python funziona meglio quando la velocità di sviluppo e la manutenibilità contano quanto le performance grezze:

• Sviluppo veloce: prototipi e iterazioni rapide, soprattutto con librerie mature per web, dati e automazione.
• Codice leggibile: sintassi amica per principianti che facilita anche la manutenzione a lungo termine.
• Ecosistema enorme: probabilmente esiste una libreria ben supportata per ciò che ti serve.

Progetti tipici: script interni di automazione, notebook di analisi, servizi backend e API, strumenti di testing e molti workflow di machine learning.

Quando Python non è la scelta ideale

Python può essere inadatto quando l'ambiente o i vincoli di performance sono molto restrittivi:

• App mobile native: Python non è mainstream per iOS/Android; gli strumenti esistono, ma il pool di talenti è più piccolo rispetto a Swift/Kotlin.
• Sistemi con performance estreme: latenza ultra-bassa, motori di gioco, rendering real-time o servizi ad altissimo throughput dove ogni millisecondo conta.
• Web lato client: i browser eseguono JavaScript (o WebAssembly); Python gira quasi sempre sul server.

Detto questo, Python spesso rimane utile come scripting, tooling dati, testing o “colla” attorno a componenti più veloci.

Come decidere (checklist semplice)

Chiediti:

1. Cosa conta di più—velocità nello sviluppo o velocità di esecuzione? Python è spesso eccellente per la prima, talvolta meno per la seconda.
2. Dove girerà? Server e desktop sono comuni; browser/mobile-native meno.
3. Cosa sa già il tuo team? La familiarità riduce bug e tempi di consegna.
4. Qual è lo stack esistente? L'integrazione è buona, ma la coerenza aiuta operazioni e hiring.

Alternative e complementi (note rapide)

• JavaScript/TypeScript: scelta primaria per app nel browser; forte anche per backend con Node.js.
• Java: comune nelle grandi imprese; ottimo per backend con tool maturi.
• Go: ideale per servizi backend leggeri e networking, dove performance e distribuzione semplice sono importanti.

Un approccio pratico è usare Python dove accelera lo sviluppo, e abbinarlo ad altri linguaggi dove servono vincoli di runtime più stringenti.

Come iniziare: passi successivi e idee progetto

Iniziare con Python è più facile se scegli un “primo progetto” che rispecchi il tuo obiettivo. Un progetto mirato ti dà motivazione, ti costringe a imparare le librerie giuste e ti lascia qualcosa da mostrare.

1) Scegli il tuo primo progetto (in base all'obiettivo)

• Se vuoi automazione, costruisci uno script che ti faccia risparmiare tempo: rinominare file in una cartella, pulire fogli, o generare report settimanali da CSV.
• Se vuoi web, crea una piccola API: un backend per una lista di cose da fare, un tracker di abitudini o un servizio note con login.
• Se vuoi dati, analizza qualcosa che ti interessa: spese personali, registri di allenamento o un dataset pubblico e trasformalo in un breve report.
• Se vuoi AI, inizia in piccolo: un classificatore spam, un verificatore di sentimenti per recensioni o un toy project di raccomandazione.

2) Un percorso di apprendimento che funziona davvero

Impara a strati: basi di Python → librerie principali → un progetto reale.

Basi: variabili, funzioni, loop, gestione errori, lettura/scrittura file.

Librerie: scegli solo ciò che serve al progetto (es. requests per API, pandas per dati, fastapi per web).

Progetto reale: pubblicalo. Aggiungi un README, esempi e una sezione “come eseguire”.

3) Dove esercitarsi (e come costruire un portfolio)

Scegli un piccolo compito settimanale che puoi finire in 60–90 minuti: fare scraping di una pagina, analizzare un file di log, automatizzare una bozza di email o tracciare un grafico.

Col tempo raccogli 3–5 progetti in un portfolio semplice. Se cerchi idee guidate, prova a esplorare la sezione /blog. Se stai confrontando opzioni di supporto all'apprendimento, /pricing potrebbe aiutare.

Se preferisci consegnare app complete invece di montare ogni pezzo, puoi anche sperimentare con Koder.ai: è una piattaforma che trasforma una chat in app web/server/mobile funzionanti, con modalità di pianificazione, esportazione del codice, deployment/hosting e snapshot con rollback.

Idee veloci che puoi finire nel weekend

• Script “Folder tidy”: ordina i download per tipo di file e data
• Cleaner CSV: rimuove duplicati e standardizza colonne
• Mini API web: aggiungi/lista/cancella elementi con un database SQLite
• Notebook dashboard: un dataset, tre grafici, una conclusione